RADS：基于强化学习的样本选择提高低资源和不平衡临床场景中的迁移学习
计算与语言
2026-04-23 v1 机器学习
摘要
迁移学习中的常见策略是few shot微调，但其成功率高度依赖所选训练样本的质量。主动学习方法，如不确定性抽样和多样性抽样，可以选择有用的样本。然而，在极端低资源和类别不平衡的情况下，这些方法往往偏好离群点，而非真正有信息的样本，导致性能下降。本文提出了RADS（Reinforcement Adaptive Domain Sampling），一种利用强化学习（RL）识别最具信息性样本的鲁棒样本选择策略。在几个真实世界临床数据集上的实验评估表明，我们的样本选择策略在极端类别不平衡情况下仍能提高模型的可迁移性。
引用
@article{arxiv.2604.20256,
title = {RADS: Reinforcement Learning-Based Sample Selection Improves Transfer Learning in Low-resource and Imbalanced Clinical Settings},
author = {Wei Han and David Martinez and Anna Khanina and Lawrence Cavedon and Karin Verspoor},
journal= {arXiv preprint arXiv:2604.20256},
year = {2026}
}
备注
Accepted at ACL 2026 Findings